Documentos de Académico
Documentos de Profesional
Documentos de Cultura
337 Lectura6.3.1 PDF
337 Lectura6.3.1 PDF
3
SIMULACIN Y ANLISIS DE
MODELOS ESTOCSTICOS
CAPITULO 3
SIMULACIN
3.1
INTRODUCCIN
1. Una vez construido, el modelo puede ser modificado de manera rpida con el fin de analizar
diferentes polticas o escenarios.
2. Generalmente es ms barato mejorar el sistema va simulacin, qu hacerlo directamente en el
sistema real.
3. Es mucho ms sencillo comprender y visualizar los mtodos de simulacin que los mtodos
puramente analticos.
4. Los mtodos analticos se desarrollan casi siempre, para sistemas relativamente sencillos
donde suele hacerse un gran nmero de suposiciones o simplificaciones, mientras que con los
modelos de simulacin es posible analizar sistemas de mayor complejidad o con mayor detalle.
5. En algunos casos, la simulacin es el nico medio para lograr una solucin.
Desventajas
1. Los modelos de simulacin en una computadora son costosos y requieren mucho tiempo para
desarrollarse y validarse.
3.3
duracin de este proceso est directamente relacionado con la seleccin del lenguaje, por ejemplo,
un modelo que pueda ser codificado en GPSS en 20 minutos, podra llevar hasta 5 das en
FORTRAN o PASCAL.
6. Validacin del modelo. Es el proceso que tiene como objetivo determinar la habilidad que
tiene un modelo para representar la realidad. La validacin se lleva a cabo mediante la
comparacin estadstica entre los resultados del modelo y los resultados reales.
7. Experimentacin. En este paso se determinan las diversas alternativas que pueden ser
evaluadas, seleccionando las variables de entrada y sus diferentes niveles con la finalidad de
optimizar las variables de respuesta del sistema real. El uso de tcnicas como diseo de
experimentos, superficies de respuesta, Sim-plex EVOP, permiten llevar a cabo este
procedimiento en forma estructurada.
8. Implantacin. Una vez seleccionada la mejor alternativa, es importante llevarla a la
prctica; en muchas ocasiones este ltimo paso es el ms difcil ya que se tiene que convencer a la
alta direccin y al personal de las ventajas de esta puesta en marcha. Para esto se recomienda
llevar a cabo un proceso de animacin que permita visualizar el comportamiento de la variables
en el sistema. Existen en el mercado paquetes computacionales que permiten hacerlo en poco
tiempo y van desde los ms especficos como es el STARCELL que se aplica a celdas de
manufactura, hasta los muy generales como el PROOF Animation que permite animar sistemas
sin importar la fuente de donde provenga el cdigo de simulador ya que maneja las
comunicaciones con base en archivos tipo texto. Al implantar hay que tener cuidado con las
diferencias que pueda haber con respecto a los resultados simulados, ya que estos ltimos se
obtienen, si bien de un modelo representativo, a partir de algunas suposiciones.
9. Monitoreo y control. No hay que olvidar que los sistemas son dinmicos y con el transcurso
del tiempo es necesario modificar el modelo de simulacin, ante los nuevos cambios del sistema
real, con el fin de llevar a cabo actualizaciones peridicas que permitan que el modelo siga siendo
una representacin del sistema.
Figura 3.1
Proceso de
desarrollo de un modelo de
simulacin.
3.4
3.5
3.5.1
Una vez obtenida toda la informacin, es decir, los datos de entrada del sistema real, es
necesario convertirlos en informacin o datos de entrada del modelo de simulacin. Es posible
distinguir dos tipos de informacin:
1. Informacin determinstica. Esta informacin entra directamente al modelo con su valor
correspondiente en el sistema real.
2. Informacin probabilstica. Es necesario crear modelos de simulacin que imiten el
comportamiento de esas variables. En el captulo 1 se mencionan algunos tipos de variabilidad
que pueden existir. De esta forma, al crear un modelo de simulacin debemos ser capaces de
tomar ese comportamiento y modelarlo. Los nmeros aleatorios son la base en los modelos de
simulacin donde hay variables estocsticas, ya que dichos nmeros son la herramienta para
generar eventos de tipo proba-bilstico. La metodologa consiste en la creacin matemtica de
expresiones sencillas partiendo de lo que se conoce como generacin de nmeros aleatorios
uniformes entre O y 1.
Ejemplo.
47
Una vez que se ha creado o se puede usar un generador es importante verificar si los
nmeros generados poseen las caractersticas mencionadas. La comprobacin de tales
caractersticas se realiza mediante ciertas pruebas estadsticas, que son las siguientes:
Prueba de medias
Consiste en verificar que los nmeros generados tengan una media estadsticamente igual a |, de
esta manera, se analiza la siguiente hiptesis:
Paso 3
Si el valor de x se encuentra entre li^ y ls, aceptamos que los nmeros tienen
una media estadsticamente igual a | con un nivel de aceptacin 1 - a.
Ejemplo. Realice la prueba de medias a los primeros 30 nmeros aleatorios entre O y 1 de un
generador congruencial mixto, con un nivel de confianza del 95%. Los nmeros generados son
los siguientes:
.03991
.25593
.71890
.82345
.72484
.10461
.34565
.61234
.12387
.48999
.93716
.02345
.86322
.05389
.50502
.16894
.67347
.94134
.82474
.39528
.98953
.10987
.99872
.59289
.36782
.73231
.25678
.27657
.36782
.90234
dado que el valor promedio se encuentra entre los lmites, se acepta la hiptesis HQ, es decir, se
puede afirmar que la media de los nmeros es estadsticamente igual a |.
Prueba de variancia
Consiste en verificar si los nmeros aleatorios generados tienen una variancia de 0.083, del tal
forma que la hiptesis queda expresada como:
Paso 1
Paso 2
Paso 3
Si V(x) se encuentra entre los valores de liv^ y lsv^, aceptamos la hiptesis nula
y los nmeros aleatorios tienen una variancia estadsticamente igual a ^.
Ejemplo. Realice la prueba de variancia a los siguientes 30 nmeros con nivel de confianza del
95%.
Prueba de forma
Para realizar esta prueba se utiliza la prueba de bondad de ajuste %2> descrita en el captulo 1.
Esta prueba se emplear en el caso especfico de los nmeros aleatorios uniformes entre O y 1,
para probar que un conjunto de datos siga esta distribucin. De esta manera la hiptesis propuesta
se resume como sigue
Ejemplo. Tomando los 30 nmeros del ejemplo anterior, determine con un nivel de confianza
del 95% si pertenecen a una poblacin uniforme.
Dividiendo el rango de O a 1 en 10 intervalos y clasificando los 30 nmeros segn su valor y se
obtiene la siguiente tabla.
Intervalo
FO
7717 _ 30
0.0-0.1
0.1-0.2
0.2-0.3
0.3-0.4
3
4
3
4
3
3
3
3
0.4-0.5
0.5-0.6
0.6-0.7
1
2
2
3
3
3
0.7-0.8
0.8-0.9
0.9- 1.0
3
3
5
3
3
3
FE--
se obtiene un valor de C = 3.66. Se compara con el valor de tablas x2 con 10-0 -1 = 9 grados de libertad y
un nivel de 5%, que es igual a 16.90, y la comparacin indica que los nmeros generados siguen una
distribucin uniforme entre O y 1.
Pruebas de independencia
Las pruebas de independencia consisten en demostrar que los nmeros generados son
estadsticamente independientes entre s, esto es, que no dependen uno de otro. Para esto se propone la
siguiente hiptesis:
H0 : r ~ Independiente
Hi : r ~ Dependiente
Para realizar esta prueba de hiptesis existen varios mtodos, puede seleccionarse cualquiera de la
siguiente lista:
Prueba de poker.
Prueba de corridas arriba y abajo.
Prueba de corridas arriba y abajo de la media.
Prueba de la longitud de las corridas.
Prueba de distancia.
Prueba de series.
Prueba de huecos.
Los procedimientos para demostrar la independencia utilizando 3 de ellas son los siguientes:
Prueba de poker
HQ :
r ~ Independiente
H : ri ~ Dependiente
Paso 1
Calcular las probabilidades esperadas para un juego de poker con 5 cartas numeradas del O al 9 con
remplazo, se tienen 7 eventos o intervalos, con las siguientes probabilidades:
Pfc^i
P(Pachuca) = 0.3024
P(Un par) = 0.5040
P(Dos pares) =0.1080
P(Una tercia) = 0.0720
P(Full) = 0.0090
P(Pker) = 0.0045
P(Quintilla) =0.0001
Paso 2
Calcular la frecuencia esperada de cada uno de los eventos (FE) multiplicando
la probabilidad de cada evento por el nmero de nmeros aleatorios generados.
Paso 3
Para cada nmero aleatorio generado verificar (imaginando que es una mano de poker) si es
pachuca, un par, dos pares, etctera, tomando los primeros cinco dgitos a la derecha del punto
decimal. Por ejemplo, 0.03408 es un par, 0.44343 es un full, 0.00321 dos pares, etctera. Con
esos resultados se generan una tabla de frecuencias de estos eventos. La frecuencia observada de
cada uno de los eventos se conoce como (FO).
Paso 4
Calcular el estadstico C con la ecuacin 3.8 con m - 7.
Paso 5
Si el valor de C es menor o igual al estadstico de tablas x2 con 6 grados de libertad y una
probabilidad de rechazo a, entonces se acepta que los datos son estadsticamente independientes
entre s.
Ejemplo. Realice la prueba de poker a los siguientes 30 nmeros con un nivel de confianza del
95%.
.72484 -.48999 .50502 .39528 .36782 .90234
.71890 .61234 .86322 .94134 .99872 .27657
.34565 .02345 .67347 .10987 .25678 .25593
.82345 .12387 .05389 .82474 .59289 .36782
.03991 .10461 .93716 .16894 .98953 .73231
Agrupando los nmeros de acuerdo con sus dgitos, como si fuera una mano de poker se obtiene
la siguiente tabla de frecuencias:
Intervalo
FO
PE
FE = (n * PE)
Pachuca
Un par
Dos pares
Una tercia
Full
Poker
Quintilla
14
15
1
1
0
0
0
0.3024
0.5040
0.1080
0.0720
0.0090
0.0045
0.0001
9.072
15.120
3.240
2.160
0.270
0.135
0.003
El clculo de C utilizando de nuevo la ecuacin 3.8, es igual a 4.25 que comparado contra el valor
de tablas %2 con 7-1 = 6 grados de libertad, y con un nivel de 5%, que es igual a 12.59, indica que
los nmeros generados son estadsticamente independientes.
Prueba de series
HQ : r ~ Independiente
HI : r ~ Dependiente
Paso 7
Crear un histograma de dos dimensiones con m intervalos, clasificando cada pareja de nmeros
consecutivos (r, r+ ) dentro de las casillas de dicho histograma de frecuencias. El nmero total
de pares ordenados en cada casilla formar la frecuencia observada: FO.
Paso 2
.48999
.61234
.02345
.12387
.10461
.50502
.86322
.67347
.05389
.93716
.39528
.94134
.10987
.82474
.16894
.36782
.99872
.25678
.59289
.98953
.90234
.27657
.25593
.36782
.73231
El valor de la tabla x2 con un nivel de confianza del 95% y con 15 grados de libertad es igual a
25. Si se compara C = 5.75 con este valor, se acepta la independencia de la secuencia de nmeros.
3.5.4 MTODOS DE GENERACIN DE VARIABLES ALEATORIAS
Una vez aceptadas las pruebas de media, variancia, forma e independencia sobre los
nmeros aleatorios entre O y 1, se puede hacer uso de esos nmeros para generar variables
aleatorias con otro tipo de distribucin. Existen varios mtodos para generar variables aleatorias:
Mtodo de la transformada inversa.
Mtodo de convolucin.
Mtodo de aceptacin y rechazo.
Mtodo directo.
Mtodo de la transformada inversa para distribuciones continuas
Este mtodo se utiliza cuando se desea simular variables de tipo continuo como exponencial,
Weibull, uniforme general, etctera. El mtodo utiliza la distribucin acumulada F(x) de la
distribucin de probabilidad que se va a simular mediante integracin. Ya que el rango de F(x) se
encuentra en el intervalo O a 1, puede generarse un nmero aleatorio ?\ para determinar el valor
de la variable aleatoria cuya distribucin acumulada es igual, precisamente, a r.
La figura 3.3 muestra en forma grfica la metodologa para una funcin cualquiera f(x) continua:
La dificultad de este mtodo radica en que algunas veces es complicado encontrar la transformada inversa.
Distribucin exponencial
Se desea simular una variable aleatoria con distribucin exponencial; la funcin de densidad es
Figura 3.4
Mtodo grfico de la
transformada
inversa.
Distribuciones
discretas.